基于高光谱数据的土壤有机质含量预测研究

[目的]快速、有效、非接触、非破坏性地提取土壤有机质含量信息.探索新疆绿洲农区如何应用高光谱遥感技术分析、模拟、评价、预测土壤有机质含量,促进高光谱分辨率遥感技术在农田土壤遥感诊断、作物科学种植、水肥分区管理、田间农情监测中的应用,为新疆实施精准农业提供科学理论参考.[方法]利用高光谱遥感技术提取土壤有机质含量信息的研究,采用美国ASD Field Spec Pro VNIR 2500型光谱辐射仪获取田间土壤不同有机质含量信息的高光谱反射率;通过光谱分析技术,运用各种土壤反射率数学变换形式,找出最具代表性的敏感波段,揭示土壤有机质含量与其光谱成因机理之间的内在联系.[结果]基于NDI预测土壤有机质含量的估算模型中以一元三次函数模型(YSOM=-4E+ 07XNDI3+ 2E+ 06XNDI2-21 338XNDI+ 110.44,R2=0.713 2)为最优,指数函数模型次之.[结论]基于归一化光谱指数NDI可以较好的估算土壤有机质含量,利用统计方法建立的经验模型,简单实用,将对特定区域、特定土壤的预测有较好的效果.     

土壤有机质高光谱特征及其反演研究

具有精细的光谱分辨率,可获取地物纳米级连续光谱信息的高光谱技术以其简便、快速、精度高和无损等优势成为获取土壤有机质(soil organic matter,SOM)含量的重要手段,在精确农业发展中发挥着重要作用。本文阐述了高光谱反演土壤有机质的机理,概述了土壤有机质含量的光谱反射特征,包括不同土壤类型、不同土壤有机质含量的光谱响应波段,以及土壤有机质含量的光谱反演方法和模型的研究进展。进一步分析了土壤有机质光谱特征研究中存在的问题并对发展趋势进行了展望和分析,以期为以后的研究提供一定的参考。     

预处理对土壤有机质光谱估算的影响

为实现土壤有机质(SOM)含量的实时、动态监测,以晋南麦区169个土壤样本为研究对象,通过测定其SOM含量与高光谱,采用多种常规预处理光谱相结合的方法,分析预处理光谱与SOM含量间的相关性,并选择光谱特征波长,构建基于光谱波长的SOM含量监测模型。结果表明,SOM含量与光谱反射率成反比;通过不同预处理方法与SOM含量相关性分析,筛选出最佳特征波长为580、567、571、560、535、672、673、674、678 nm,MSC+1st耦合多元逐步回归(MLR)构建的模型R~2为0.74,RPD为1.52,模型精度最高,误差最小,更利于实现SOM含量的光谱监测。经比较分析,多种预处理方法相结合较单一预处理方法更有利于建立估测模型。     

基于最优模型的荒地土壤有机质含量空间反演

本研究采用Landsat OLI多光谱遥感影像数据,结合实测土壤有机质含量,利用原始影像反射率(A)、反射率一阶微分(A')、反射率二阶微分(A″)建立单波段和多波段回归模型,估算研究区土壤有机质含量,反演其空间格局。结果显示,经微分处理后的影像反射率,与土壤有机质含量相关系数增大。其中A'处理后的遥感影像反射率与土壤有机质含量的相关系数达到-0.850,比原始的提高了0.401,增强了有机质的光谱信息。多波段回归建模效果优于单波段建模。且A'的多波段回归模型预测精度最好,其建模集R~2为0.80,RMSE为3.66,预测集R~2为0.79,RMSE为3.65,RPD为1.96,表明该模型精度高,误差最小,预测效果最优,可以很好地估算该区域的土壤有机质含量。基于一阶微分的多波段回归模型:SOM=23.12-470.94B3-24.35B4-43.06B6,对研究区的SOM含量空间分布格局进行反演,发现反演结果与实际情况吻合,因此,利用多波段回归模型能很好反演研究区SOM含量空间分布格局,表达其不同有机质含量的土壤空间分布与其对应的空间位置,这为土壤有机质面状参数的获取提供了快速而有效的方法。     

基于高光谱的山区耕地土壤有机质含量估测

以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R²)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地...     

基于高光谱的喀斯特地区典型农田土壤有机质含量反演

【目的】利用高光谱数据定量反演喀斯特地区土壤有机质含量,为喀斯特地区快速、大范围、实时地监测土壤有机质含量提供更多的技术手段。【方法】利用机载高光谱成像系统和便携式地物光谱仪分别获取土壤光谱数据,基于原始光谱反射率和不同光谱变换数据,分析其与土壤有机质含量的相关性,以偏最小二乘法建立模型预测土壤有机质含量。【结果】2种数据源都可以用于土壤有机质含量预测,其中,基于ASD光谱一阶微分变换建立的模型预测精度较高,验证集决定系数(Rv~2)为0.910,相对分析误差(RPD)为2.68;基于GS光谱二阶微分变换建立的模型预测效果较好,验证集Rv~2为0.772,RPD为1.49。【结论】ASD光谱与GS光谱建模预测精度相差较大,ASD光谱客观条件影响较小、光谱波段更宽、光谱分辨率更高,具有更好的预测能力;低空无人机获取的GS光谱也具有一定的预测能力。     

遥感影像在土壤属性估算中的应用

了解土壤属性（SOM、N、P等）对于指导施肥、农业生产和农业调查中都有重要的作用。对黑龙江省绥化市附近黑土区范围内采集土壤样品进行研究,在ASTER遥感影像中获取对应采样点的光谱值,将土壤有机质、总氮含量和遥感影像光谱值进行逐步回归分析,得出影像反射光谱值与有机质含量之间指数关系式;与总氮含量确定为对数关系。根据建立的模型进行有机质和总氮含量制图。这个模型可以作为土壤参数估测和评价的参考,有一定的实际意义和应用价值。     

不同波长选择方法在土壤有机质含量检测中对比研究

由于近红外光谱数据的多重共线性，特征波长选择一直是近红外光谱分析技术的重要研究内容。以108个土壤样本光谱数据和土壤有机质(SOM)含量为研究对象，以连续投影算法（SPA）、间隔偏最小二乘法（IPLS）、竞争自适应重加权采样法（CARS）三种典型的特征波长选择算法进行近红外光谱波长选择和土壤有机质含量建模。研究结果表明，基于上述三种方法提取的特征波长所建立的模型预测能力均优于全谱模型。其中，基于SPA算法的MLR预测模型精度最优，预测集相关系数（Rp）和均方根误差（RMSEP）分别为0970 2和1.214 4，模型参数只有6个。因此，SPA-MLR可以有效地应用近红外光谱的建模，并且简化模型的复杂度，提高模型的计算效率。     

利用模拟宽波段数据定量反演关中平原土壤有机质含量研究

[目的]以陕西杨凌示范区耕层土壤为对象,通过采集、测定耕层土壤的有机质含量,并结合野外相应高光谱数据和光谱响应函数,利用模拟宽波段数据估测土壤有机质含量。[方法]通过分析土壤有机质含量与光谱间的内在关系,筛选敏感波段,构建估测土壤有机质含量模型;以宽波段波段响应函数、土壤高光谱数据为基础,通过模拟宽波段数据,构建估测土壤有机质含量模型;通过高光谱与模拟宽波段数据的对比分析,研究基于宽波段遥感数据定量估测土壤有机质含量的可行性。[结果]基于宽波段数据估测土壤有机质的精度相对较高。[结论]利用宽波段数据估测土壤土壤有机质含量具有可行性,2%并非利用光谱数据估测土壤有机质含量的下限。     

遥感影像在土壤属性估算中的应用

了解土壤属性(SOM、N、P等)对于指导施肥、农业生产和农业调查中都有重要的作用.笔者研究在黑龙江省绥化市附近黑土区范围内采集土壤样品进行研究.在 ASTER 遥感影像中获取对应采样点的光谱值.将土壤有机质、总氮含量和遥感影像光谱值进行逐步回归分析,得出影像反射光谱值与有机质含量之间指数关系式;与总氮含量确定为对数关系.根据建立的模型进行有机质和总氮含量制图.这个模型可以作为土壤参数估测和评价的参考,有一定的实际意义和应用价值.     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

利用OSC算法消除土壤含水量变化对Vis-NIR光谱估算有机质的影响

【目的】快速、准确地监测土壤有机质对于精准农业的发展具有重要意义。可见光-近红外(visible and near-infrared,Vis-NIR)光谱技术在土壤属性估算、数字化土壤制图等方面应用较为广泛,然而,在田间进行光谱测量,易受土壤含水量(soil moisture,SM)、温度、土壤表面状况等因素的影响,导致光谱信息中包含大量干扰信息,其中,SM变化是影响光谱观测结果最为显著的因素之一。此研究的目的是探讨OSC算法消除其影响,提升Vis-NIR光谱定量估算土壤有机质(soil organic matter,SOM)的精度。【方法】以江汉平原公安县和潜江市为研究区域,采集217份耕层(0—20 cm)土壤样本,进行风干、研磨、过筛等处理,采用重铬酸钾-外加热法测定SOM;将总体样本划分为3个互不重叠的样本集:建模集S~0(122个样本)、训练集S~1(60个样本)、验证集S~2(35个样本);设计SM梯度试验(梯度间隔为4%),在实验室内获取S~1和S~2样本集的9个梯度SM(0%—32%)的土壤光谱数据;分析SM对土壤Vis-NIR光谱反射率的影响,采用外部参数正交化算法(external parameter orthogonalization,EPO)、正交信号校正算法(orthogonal signal correction,OSC)消除SM对土壤光谱的干扰;利用主成分分析(principal component analysis,PCA)的前两个主成分得分和光谱相关系数两种方法检验消除SM干扰前、后的效果;基于偏最小二乘回归(partial least squares regression,PLSR)方法建立EPO和OSC处理前、后的SOM估算模型,利用决定系数(coefficient of determination,R~2)、均方根误差(root mean square error,RMSE)和RPD(the ratio of prediction to deviation)3个指标比较PLSR、EPO-PLSR、OSC-PLSR模型的性能。【结果】土壤Vis-NIR光谱受SM的影响十分明显,随着SM的增加,土壤光谱反射率呈非线性降低趋势。OSC处理前的湿土光谱数据主成分得分散点相对分散,与干土光谱数据主成分得分空间的位置不重叠,不同SM梯度之间的光谱相关系数变化较大;OSC处理后的湿土光谱数据主成分得分空间的位置基本与干土光谱数据相重合,各样本光谱数据之间相似性很高,不同SM梯度之间的光谱相关系数变化较小。9个SM梯度的EPO-PLSR模型的验证平均R~2_(pre)、RPD分别为0.69、1.7。9个SM梯度的OSC-PLSR模型的验证平均R~2_(pre)、RPD分别为0.72、1.89,校正后的OSC-PLSR模型受SM的较小,有效提升SOM估算模型的精度和鲁棒性。【结论】OSC能够消除SM变化对土壤Vis-NIR光谱的影响,可为将来田间原位实时监测SOM信息提供一定的理论支撑。     

基于宽波段数据定量反演土壤有机质含量的研究

定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。     

Hyper-spectral characteristics and classification of farmland soil in northeast of China

The physical and chemical heterogeneities of soils make the soil spectral different and complicated, and it is valuable to increase the accuracy of prediction models for soil organic matter(SOM) based on pre-classification. This experiment was conducted under a controllable environment, and different soil samples from northeast of China were measured using ASD2500 hyperspectral instrument. The results showed that there are different reflectances in different soil types. There are statistically significant correlation between SOM and reflectence at 0.05 and 0.01 levels in 550–850 nm, and all soil types get significant at 0.01 level in 650–750 nm. The results indicated that soil types of the northeast can be divided into three categories: The first category shows relatively flat and low reflectance in the entire band; the second shows that the spectral reflectance curve raises fastest in 460–610 nm band, the sharp increase in the slope, but uneven slope changes; the third category slowly uplifts in the visible band, and its slope in the visible band is obviously higher than the first category. Except for the classification by curve shapes of reflectance, principal component analysis is one more effective method to classify soil types. The first principal component includes 62.13–97.19% of spectral information and it mainly relates to the information in 560–600, 630–690 and 690–760 nm. The second mainly represents spectral information in 1 640–1 740, 2 050–2 120 and 2 200–2 300 nm. The samples with high OM are often in the left, and the others with low OM are in the right of the scatter plot(the first principal component is the horizontal axis and the second is the longitudinal axis). Soil types in northeast of China can be classified effectively by those two principles; it is also a valuable reference to other soil in other areas.     

利用高光谱技术估测小麦叶片氮量和土壤供氮水平

有效的监测作物氮素营养水平及土壤供氮能力可以为合理施用氮肥提供重要依据。本文以2 年3 点不同氮素水平下不同小麦品种的田间试验数据为基础,运用植被指数和偏最小二乘回归法,比较和分析小麦冠层光谱与叶片氮含量及土壤氮含量的关系。结果表明：小麦冠层光谱与叶片氮含量的相关性分析在可见光波段存在显著负相关,在近红外波段呈显著正相关,而与土壤氮含量的相关性呈相反趋势。基于光谱参数ND705 和GNDVI所建叶片氮含量估算模型的决定系数分别达到0.827 和0.826。基于光谱参数VOG2 所建土壤氮含量估算模型的决定系数达到0.646;与植被指数所建模型相比,综合350~1350 nm光谱波段反射率分别与小麦叶片氮含量、土壤氮含量建立偏最小二乘回归模型的预测精 度均有所提高,决定系数分别达到0.842 和0.654。本研究结果可为小麦氮素营养及土壤供氮水平的诊断监测与合理施肥管理提供了理论依据和技术支持。     

砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究

有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。     

菜油兼用型油菜籽粒油酸含量的高光谱模型构建

【目的】基于高光谱特征初步判别油菜摘薹情况,为实现高光谱反演籽粒油酸含量提供理论指导。【方法】使用FieldSpec 3地物光谱仪采集油菜盛花期叶片光谱数据,采用Agilent GC-MS 7980B气相色谱仪分析摘薹和未摘薹处理的籽粒油酸含量,比较2组处理的平均原始光谱反射率特征,及其油菜叶片原始及一阶微分光谱反射率与籽粒油酸含量相关性,在此基础上构建基于原始光谱特征波长的支持向量机（SVM）判别模型、基于光谱参数的油酸含量二项式模型、基于一阶微分光谱特征波长的油酸含量多元线性逐步回归（MLSR）及偏最小二乘回归（PLSR）预测模型,并利用独立样本T检验对模型精度进行验证。【结果】发现未摘薹及摘薹处理的平均原始光谱反射率曲线在760~1080nm波段存在一定差异。未摘薹及摘薹处理的原始光谱反射率与籽粒油酸含量相关性曲线存在一定差异,未摘薹处理的原始光谱反射率在484~956和1001~1146 nm波段与籽粒油酸含量呈正相关,摘薹处理的原始光谱反射率在1882~2111和2324~2499 nm波段与油菜籽粒油酸含量呈正相关,说明摘薹会影响油菜光谱反射率与籽粒油酸含量的相关性表现。选取位于760~1080 nm波段4个拐点波长（760、920、970和1080 nm）的原始光谱反射率作为自变量,用以构建SVM判别模型,经过多次随机取样比较构建所有SVM判别模型,发现最佳判别模型的训练集样本总体精度为86.1%,验证集样本总体精度为77.8%,说明利用高光谱技术判别油菜是否摘薹具有一定的可行性。光谱参数模型中RVI模型对未摘薹处理油菜籽粒油酸含量的反演效果最佳,且该模型与未摘薹处理籽粒油酸含量的相关系数（-0.705）最高。比较全部油菜籽粒油酸含量预测模型类型,PLSR模型对未摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.590、RMSE=0.610,MLSR模型对摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.773、RMSE=0.874。利用独立样本T检验对二者模型测试集样本进行验证,未摘薹样本P=0.839,摘薹样本P=0.858,二者样本实测值与预测值均无显著差异（P>0.05）,模型合理,说明利用高光谱技术对油菜籽粒油酸含量进行预测可行。【建议】引入随机森林等机器学习算法,更好地选取特征波长（显著相关波长或全波段等）,提高光谱数据对油菜籽粒油酸含量的预测能力。后期的试验应侧重于多品种油菜籽粒油酸含量估测研究,探索高光谱技术估测油菜籽粒油酸含量是否具备普遍的可行性。利用高光谱技术反演其他油菜籽粒品质指标,为高光谱遥感监测油菜品质提供理论依据。     

基于高光谱的土壤有机质含量预测模型的建立与评价

 【目的】土壤有机质含量是反映土壤肥力的重要特征，利用高光谱技术对有机质（OM）含量进行定量化反演为土壤信息化管理和资源评价提供了重要的依据。【方法】利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱，分析了不同区域范围土壤光谱反射率曲线形状变化和土壤有机质含量的变化特点，并针对东北地区以黑土为主的土样光谱反射率不同变换形式与有机质含量进行了相关性分析。【结果】结果表明，有机质含量较高的黑土的光谱曲线与其它土壤类型的光谱曲线在形状上有很大差异，即在600～900 nm附近，以黑龙江土样为代表的东北黑土表现为直缓上升，而河南和山东的潮土则表现为曲陡上升。相关分析结果表明，土壤有机质含量与原始光谱反射率在545～830 nm呈显著负相关，其中在580～738 nm波段范围内达到极显著负相关。与一阶导数光谱相关性进一步增强，在481～598 nm呈现极显著负相关，而在816～932 nm和1 039～1 415 nm波段范围内具有极显著的正相关性。土壤有机质含量与部分波段处的吸收深度和反射峰高度也表现为不同程度的相关性。【结论】利用570～590 nm波段的一阶导数光谱和1 280 nm处反射峰高度P_Depth1280可以较好地预测东北主要土壤类型有机质含量。在此基础上建立了土壤有机质含量的高光谱反演模型并进行了验证。     

高光谱数据与水稻农学参数之间的相关分析

通过田间小区试验,获取水稻整个生育期内不同氮素处理的叶面积指数(LAI)、叶片叶绿素含量(CHL.C)、叶绿素密度(CHL.D)与高光谱分辨率遥感数据.分析其变化过程,并利用微分技术处理水稻群体反射光谱以减少土壤等低频背景光谱噪音的影响.通过单相关分析和逐步回归方法研究水稻LAI、CHL.C、CHL.D分别与光谱反射率、反射率的一阶微分光谱的相关关系.结果表明,微分技术能够改善光谱数据与LAI、CHL.C的相关性,而与鲜叶CHL.D的相关性较低.